i4.0 Werkstatt
bayerischer wald
projektüberblick
Unsere Motivation
Die Integration digitaler Anwendungen, die Innovationskraft und der Ideenreichtum kombiniert mit den Potenzialen der Informations- und Kommunikationstechnologie bilden die Basis für eine stabile Entwicklung der regionalen Wirtschaft in Zeiten kürzer werdender Produktlebenszyklen sowie individueller Kundenwünsche.
- Viele Industrie 4.0-Initiativen zielen auf große Unternehmen ab
- Der Bayerische Wald ist geprägt von kleinen und mittleren Industrie unternehmen
- Die Industrieunternehmen im Bayerischen Wald zählen oftmals zur Weltmarktspitze, haben häufig aber nur geringe Kompetenzen in Digitalisierung und Datenanalyse.
- Gemeinsam mit KMUs werden daher im Rahmen des Projektes Pilot projekte, Netzwerkveranstaltungen und Workshops durchgeführt, um die Industrieunternehmen im Bayerischen Wald auf dem Weg zur Industrie 4.0 zu unterstützen.
Förderung: Europäische Union (Europäischer Fonds für regionale Entwicklung)
Laufzeit: 01.02.2018 - 31.12.2022
Ziele
- Entwicklung einfacher und praxistauglicher Digitalisierungs und Datenanalyseverfahren für KMU
- Technologietransfer zwischen der THD und KMUs
- Vernetzung zwischen KMUs und der THD
datenanalyse
Welche Nutzenpotenziale bieten sich für Unternehmen?
Kunden besser kennenlernen.
Kunden generieren wertvolle Daten, die zur Ableitung von Marketingmaßnahmen, aber auch zur Produktentwicklung und Identifikation neuer Geschäftsfelder verwendet werden können.
Prozesse optimieren.
Durch die Analyse von Prozessdaten lassen sich Muster für Fehler- und Verschwendungsquellen ausfindig machen und daraus Optimierungspotenziale ableiten.
Entscheidungsgrundlagen schaffen.
Viele Entscheidungen im Unternehmen basieren auf den Erfahrungen langjähriger Mitarbeiter:innen. Durch gezielte Datenanalysen lassen sich diese Erfahrungen oftmals in Muster fassen und können so auch neuen Mitarbeitenden vermittelt werden.
Dynamische Preisgestaltung.
Preise dynamisch anzupassen kann den Gewinn steigern. Erst durch eine gezielte Datenanalyse können Preise jedoch gezielt gewinnbringend gesetzt werden.
Ressourceneinsatz planen.
Mit modernen Datenanalysemethoden lässt sich nicht nur die Menge benötigter Rohstoffe prognostizieren, sondern auch der Einsatz von Mitarbeitern besser planen.
Bedarfe prognostizieren.
Der Bedarf ist der Ausgangspunkt für viele Prozesse und Entscheidung im Unternehmen. Eine robuste Vorhersage erzeugt daher oftmals an vielen Stellen ein Nutzenpotenzial.
Unsere Vorgehensweise
- Bevor es an die Daten geht, erarbeiten wir mit Unternehmen eine lohnenswerte Zielstellung.
- Wir setzen Digitalisierungs- und Datenanalyseprojekte iterativ um.
- Wir helfen Unternehmen sinnvolle Schlüsse aus den Daten zu ziehen.
tipps zur datenanalyse
- Vorurteile über Digitalisierung und Datenanalyse auflösen
- Erwartungen an Digitalisierung und Datenanalyse justieren
- Ziele definieren
- Zielerreichung hängt nicht nur von Methodik und Technik ab
- Iterative Umsetzung
- Digitalisierung und Datenanalyse sind Teamsache
- Ethische Aspekte beachten
unsere projektpartner
Downloads
White Paper Business Data Analytics
Jedes Unternehmen besitzt Daten, aber nicht notwendigerweise auch die richtigen Daten und die notwendigen Werkzeuge und Kompetenzen, um aus den Daten einen Mehrwert zu ziehen. Das folgende White Paper zeigt den Ablauf von Datenanalyseprojekten am Beispiel auf und gibt wertvolle Tipps zu Herausforderungen und deren Lösung.
Downloadlink: White Paper Business Data Analytics
publikationen
Florian Wahl, Matthias Breslein und Benedikt Elser
On-demand forklift hailing system for Intralogistics 4.0
In: 3rd International Conference on Industry 4.0 and Smart Manufacturing, 2021.
Michael Scholz und Melanie Dietmeier
Packing and stacking rings into rectangular bins
In: 3rd International Conference on Industry 4.0 and Smart Manufacturing, 2021.
Bernhard Daffner, Michael Scholz, Jörg Bauer und Diane Ahrens
Kapazitäts- und zeitrestringierte Tourenplanung am Beispiel eines mittelständischen Großhändlers
In: Jahrbuch der Logistikforschung, Band 3, 2021.
Michael Scholz und Tristan Wimmer
A comparison of classifi cation methods across different data complexity scenarios and datasets
In: Expert Systems with Applications, Vol. 168, 2021.
unser team
